。

随着全球老龄化问题的加剧#xff0c;阿尔茨海默症的发病率也在逐年上升#xff0c;给患者及其家庭带来了巨大的经济…阿尔茨海默症Alzheimer’s

disease是一种常见的神经退行性疾病主要表现为记忆丧失、认知能力下降以及行为和人格改变。

随着全球老龄化问题的加剧阿尔茨海默症的发病率也在逐年上升给患者及其家庭带来了巨大的经济和心理负担。

早期检测和诊断对于延缓疾病的进展、提高患者生活质量至关重要。

然而传统的诊断方式往往依赖于临床症状的观察和神经心理测试可能无法及时发现早期的病理变化。

因此发展一种高效、准确的自动化检测系统成为医学研究的重点之一。

本文提出了一种基于YOLOV8深度学习算法的阿尔茨海默症检测与诊断系统旨在通过医学影像实现阿尔茨海默症的自动化检测和早期诊断。

YOLOV8作为一种先进的目标检测算法具有极高的检测精度和实时性。

我们充分利用其优势将其应用于阿尔茨海默症的检测中通过对大脑影像数据的分析自动识别可能的病变区域。

为此我们构建了一个完整的系统框架包括数据预处理、模型训练、推理和结果可视化等模块。

首先我们选择了一个开源的医学影像数据集涵盖了大量阿尔茨海默症患者和健康个体的脑部影像数据。

通过对数据集进行清洗、标注和增强处理我们确保了模型能够在训练过程中学习到有效的特征。

接下来基于YOLOV8模型我们设计了适合医学影像特点的网络架构对模型进行优化训练。

在训练过程中我们采用了交叉验证和超参数调优等技术进一步提升了模型的检测精度和泛化能力。

此外为了方便临床医生和研究人员的使用我们开发了一个基于PyQt5的图形用户界面GUI。

该界面友好且易于操作用户可以通过界面加载医学影像启动模型进行推理并在界面上实时显示检测结果。

检测到的病变区域将被标注在影像上同时系统会生成详细的诊断报告提供包括病变位置、大小和风险评分等关键信息。

这一功能不仅提高了诊断效率还为医生的决策提供了数据支持。

本文提出的检测系统在医学影像中能够高效、准确地识别阿尔茨海默症的病变区域。

在多个测试数据集上系统均表现出了较高的准确率和召回率与现有的检测方法相比具有显著的优势。

此外系统的扩展性和实用性也得到了验证其可通过进一步训练和调整应用于其他神经退行性疾病的检测和分析。

总的来说该基于YOLOV8深度学习的阿尔茨海默症检测与诊断系统为临床应用提供了一种自动化、智能化的工具能够有效辅助医生进行早期诊断。

未来我们计划进一步扩展数据集的多样性优化模型的性能并在临床环境中进行实际测试以提升系统的实用性和准确性。

算法流程

通过搜集关于数据集为各种各样的阿尔兹海默症相关图像并使用Labelimg标注工具对每张图片进行标注分4个检测类别分别是”SevereDemented”,”VeryMildDemented”,”MildDemented”,”NonDemented”,”ModerateDemented”。

目标检测标注工具

1labelimg:开源的图像标注工具标签可用于分类和目标检测它是用python写的并使用Qt作为其图形界面简单好用虽然是英文版的。

其注释以

PASCAL

VOC格式保存为XML文件这是ImageNet使用的格式。

此外它还支持

2安装labelimg

https://pypi.tuna.tsinghua.edu.cn/simple

结束后在cmd中输入labelimg

接下来就开始标注画框标记目标的label然后d切换到下一张继续标注不断重复重复。

3数据准备

这里建议新建一个名为data的文件夹这个是约定俗成不这么做也行里面创建一个名为images的文件夹存放我们需要打标签的图片文件再创建一个名为labels存放标注的标签文件最后创建一个名为

classes.txt

定义自己要标注的所有类别这个文件可有可无但是在我们定义类别比较多的时候最好有这个创建一个这样的txt文件来存放类别

生成文件如下:

存放标签信息的文件的文件名为与图片名相同内容由N行5列数据组成。

每一行代表标注的一个目标通常包括五个数据从左到右依次为类别id、x_center、y_center、width、height。

模型训练

YOLOv8是一个SOTA模型它建立在Yolo系列历史版本的基础上并引入了新的功能和改进点以进一步提升性能和灵活性使其成为实现目标检测、图像分割、姿态估计等任务的最佳选择。

其具体创新点包括一个新的骨干网络、一个新的Ancher-Free检测头和一个新的损失函数可在CPU到GPU的多种硬件平台上运行。

YOLOv8是Yolo系列模型的最新王者各种指标全面超越现有对象检测与实例分割模型借鉴了Yolov5、Yolov6、YoloX等模型的设计优点在全面提升改进Yolov5模型结构的基础上实现同时保持了Yolov5工程化简洁易用的优势。

Yolov8模型网络结构图如下图所示

本研究使用了包含各种阿尔兹海默症相关图像的数据集并通过Labelimg标注工具对每张图像中的目标边框Bounding

Box及其类别进行标注。

然后主要基于YOLOv8n这种模型进行模型的训练训练完成后对模型在验证集上的表现进行全面的性能评估及对比分析。

模型训练和评估流程基本一致包括数据集准备、模型训练、模型评估。

本次标注的目标类别为阿尔兹海默症数据集中共计包含3288张图像其中训练集占2572张验证集占716张。

部分图像如下图所示

部分标注如下图所示

图片数据的存放格式如下在项目同时将检测的图片分为训练集与验证集放入datasets目录下。

接着需要新建一个data.yaml文件用于存储训练数据的路径及模型需要进行检测的类别。

YOLOv8在进行模型训练时会读取该文件的信息用于进行模型的训练与验证。

train:

E:/Alzheimer’sDdiseaseObjective_v8/datasets/train/images

val:

E:/Alzheimer’sDdiseaseObjective_v8/datasets/val/images

test:

E:/Alzheimer’sDdiseaseObjective_v8/datasets/test/images

nc:

[“SevereDemented”,”VeryMildDemented”,”MildDemented”,”NonDemented”,”ModerateDemented”]

这个文件定义了用于模型训练和验证的数据集路径以及模型将要检测的目标类别。

数据准备完成后通过调用train.py文件进行模型训练epochs参数用于调整训练的轮数batch参数用于调整训练的批次大小(根据内存大小调整最小为1)。

CPU/GPU训练代码如下

的预训练YOLOv8模型yolov8n.pt是预先训练好的模型文件。

使用YOLO模型进行训练主要参数说明如下

在深度学习的过程中我们通常通过观察损失函数下降的曲线来了解模型的训练情况。

对于YOLOv8模型的训练主要涉及三类损失定位损失box_loss、分类损失cls_loss以及动态特征损失dfl_loss。

训练完成后相关的训练过程和结果文件会保存在

runs/

定位损失box_loss预测框与标定框之间的误差GIoU越小定位得越准

分类损失cls_loss计算锚框与对应的标定分类是否正确越小分类得越准

动态特征损失dfl_lossDFLLoss是一种用于回归预测框与目标框之间距离的损失函数。

在计算损失时目标框需要缩放到特征图尺度即除以相应的stride并与预测的边界框计算Ciou

Loss同时与预测的anchors中心点到各边的距离计算回归DFLLoss。

这个过程是YOLOv8训练流程中的一部分通过计算DFLLoss可以更准确地调整预测框的位置提高目标检测的准确性。

训练结果如下

这张图展示了YOLOv8模型在训练和验证过程中的多个重要指标的变化趋势具体如下

train/box_loss

1这是训练过程中边界框损失的变化。

边界框损失用于衡量模型预测的目标框与实际目标框的差异。

2随着训练的进行损失值逐渐减少表示模型在预测物体位置时的精度不断提高。

train/cls_loss

1这是训练集上的分类损失。

分类损失衡量模型对目标类别的预测准确性。

2表示模型在分类物体时的误差。

损失值逐渐降低说明模型的分类性能在不断提升。

train/dfl_loss

2主要用于提高定位精度。

下降趋势表明模型在定位物体时变得更加精确。

metrics/precision(B)

1这是训练集上的精度precision曲线。

精度表示模型在检测到的目标中有多少是真正的目标。

metrics/recall(B)

1这是训练集上的召回率recall曲线。

召回率表示模型检测出的真实目标的比例。

val/box_loss

2随着验证的进行损失值逐渐下降表示模型在未见过的数据上也能有效地预测物体位置。

val/cls_loss

1这是验证集上的mAP50曲线表示在交并比阈值为0.5时模型的平均精度mean

Average

2随着训练的进行mAP值提高表示模型在检测物体时的准确性不断提高。

metrics/mAP50-95(B)

1这是验证集上的mAP50-95曲线表示在不同交并比阈值从0.5到0.95下模型的平均精度。

2这是衡量模型综合检测性能的指标。

数值逐渐上升表明模型在各个IoU阈值下的表现都在提升。

该图展示了模型在不同阶段的训练和验证性能表明模型训练得到了良好的效果并在验证集上取得了不错的表现。

Precision-Recall

2.所有类别粗蓝线显示了所有类别的整体性能平均精确度mAP为0.986IoU阈值为0.5。

曲线行为

2对于每个类别曲线接近图表的右上角这表明模型在所有痴呆阶段的检测中精确率和召回率都表现得很好。

3曲线越接近右上角精确率和召回率都为1.0性能越好。

所有类别的曲线都接近理想区域。

SevereDemented严重痴呆和ModerateDemented中度痴呆类别的精确率和召回率得分最高表明模型在检测这些阶段时表现尤为出色。

模型在所有类别中的表现都很稳定mAP0.5为0.986这表明它能够以较高的置信度准确检测阿尔茨海默病的不同阶段。

4.检测结果识别

模型训练完成后我们可以得到一个最佳的训练结果模型best.pt文件在runs/train/weights目录下。

我们可以使用该文件进行后续的推理检测。

imgTest.py

‘models/best.pt’指定预训练模型的路径这个模型将用于目标检测任务。

2img_path

“TestFiles/0229.png”指定需要进行检测的图片文件的路径。

加载预训练模型

task’detect’)使用指定路径加载YOLO模型并指定检测任务为目标检测

conf

model(img_path)对指定的图片执行目标检测results

显示检测结果

results[0].plot()将检测到的结果绘制在图片上。

2cv2.imshow(“YOLOv8

res)使用OpenCV显示检测后的图片窗口标题为“YOLOv8

此代码的功能是加载一个预训练的YOLOv8模型对指定的图片进行目标检测并将检测结果显示出来。

执行imgTest.py代码后会将执行的结果直接标注在图片上结果如下

这段输出是基于YOLOv8模型对图片“imagetest.jpg”进行检测的结果具体内容如下

图像信息

1处理的图像路径为TestFiles/imagetest.jpg。

2图像尺寸为

这张图表显示了基于YOLOv8模型的目标检测系统的检测结果界面。

以下是各个字段的含义解释

用时Time

2在当前情况下选择的是“全部”意味着显示所有检测到的目标信息。

类型Type:

“中度痴呆”表示系统正在高亮显示检测到的“ModerateDemented”。

置信度Confidence:

1这表示模型对检测到的目标属于“中度痴呆”类别的置信度为98.74%。

2置信度反映了模型的信心置信度越高模型对这个检测结果越有信心。

目标位置Object

这些坐标表示在图像中的目标区域范围框定了检测到的“中度痴呆”的位置。

这张图展示了阿尔兹海默症的一次检测结果包括检测时间、检测到的种类、各行为的置信度、目标的位置信息等。

用户可以通过界面查看并分析检测结果提升阿尔兹海默症检测诊断的效率。

3.图片检测说明

点击打开图片按钮选择需要检测的图片或者点击打开文件夹按钮选择需要批量检测图片所在的文件夹。

操作演示如下

2点击保存按钮会对检测结果进行保存存储路径为save_data目录下。

检测结果系统识别出图片中的阿尔兹海默症并显示检测结果包括总目标数、用时、目标类型、置信度、以及目标的位置坐标信息。

4.视频检测说明

点击视频按钮打开选择需要检测的视频就会自动显示检测结果再次点击可以关闭视频。

点击保存按钮会对视频检测结果进行保存存储路径为save_data目录下。

检测结果系统对视频进行实时分析检测到阿尔兹海默症并显示检测结果。

表格显示了视频中多个检测结果的置信度和位置信息。

这个界面展示了系统对视频帧中的多目标检测能力能够准确识别阿尔兹海默症并提供详细的检测结果和置信度评分。

5.摄像头检测说明

点击打开摄像头按钮可以打开摄像头可以实时进行检测再次点击可关闭摄像头。

检测结果系统连接摄像头进行实时分析检测到阿尔兹海默症并显示检测结果。

实时显示摄像头画面并将检测到的行为位置标注在图像上表格下方记录了每一帧中检测结果的详细信息。

6.保存图片与视频检测说明

点击保存按钮后会将当前选择的图片(含批量图片)或者视频的检测结果进行保存。

5optimizer’SGD’:

但在某些情况下可能由于硬件限制或其他原因用户需要在CPU上进行训练。

温馨提示在CPU上训练深度学习模型通常会比在GPU上慢得多尤其是像YOLOv8这样的计算密集型模型。

除非特定需要通常建议在GPU上进行训练以节省时间。

2.训练日志结果

是边界框的预测精度表示模型在检测目标时预测的边界框与实际边界框的重合程度。

最终的Box(P)为0.928表示模型在边界框预测上有很高的精度。

2Recall

召回率表示模型能够识别出所有实际目标的比例最终的召回率为0.921表明模型可以成功检测出大多数目标。

3mAP50:

这是平均精度的一个指标表示在IoU阈值为50%的情况下模型在不同类别上的检测精度。

最终的mAP50为0.949表示整体检测精度较高。

4mAP50-95:

是更严格的平均精度指标覆盖了从50%到95%的IoU阈值。

最终的mAP50-95为0.787表明在较严格的评估条件下模型依然表现较好。

类别性能

phone使用手机等行为的检测精度和召回率都很高分别达到了0.984和0.974。

2其他行为如Teaching

students指导学生的表现也不错但相较于前两类行为mAP50-95略低。

1每张图像的处理时间包括预处理、推理和后处理分别为0.2ms预处理、1.4ms推理和0.8ms后处理说明系统具有较好的实时性。

结果保存

该图展示了YOLOv8模型在阿尔兹海默症检测任务上的优秀性能尤其在多类别行为的检测中表现出色模型可以较为准确地识别不同的阿尔兹海默症且在推理速度上也具备较好的实时性。